AMD低时延电子交易加速卡调研

0概述

最近看到AMD（xilinx） Alveo UL 3524加速卡的介绍，它是2023年9月底刚推出的面向超低时延电子交易应用设计的新款金融科技（fintech）加速卡，看介绍是为自营交易所、做市商、对冲基金、经纪商和交易所提供一流的FPGA平台，以ns级速度进行电子交易。

具体的FPGA参数，用的UltraScale+ UV2P FPGA（64个超低时延GT，78万个LUT，1680个DSP），据说亮点是新收发器结构（GT有突破）、硬化且优化的网络连接核（感觉是新研的有突破的交换网络IP核，还是硬核非软核）。

AI的软件配套方面，AMD为开发人员提供了开源且受到社区支持的FINN开发框架。通过PyTorch和神经网络量化技术，FINN项目令开发人员能够在缩小AI模型尺寸的同时保持准确性、编译到硬件IP以及将网络模型集成到算法的数据路径中，带来低时延性能。

合作伙伴解决方案包括Alpha Data（超低时延设备）, Exegy（端到端前台交易解决方案提供商 nxFramework软件与硬件开发环境，专为在金融行业内创建和维护超低时延FPGA应用定制而成）和 HyperTech（定制冷却系统，高频服务器，使之部署在1U服务器尺寸规格中）。
我就具体查了一下感兴趣的关键词。

1 Alpha Data

Alpha Data深演智能拥有全链路智能用户数据运营平台和智能营销与投放产品两大产品线，依托底层AI算法模型平台“福尔摩斯AI“，能够覆盖业务的各种营销场景，有效解决客户痛点

一站式智能企业数据管理平台AlphaData
深演智能凭借多年来丰富的数据处理经验，帮助企业搭建第一方数据管理平台，赋能企业全面管理第一方用户数据、第二方媒体数据、第三方外部合作伙伴的数据，并且充分运用深演智能多年积累的数据打通技术优势，帮助企业将私域和公域领域的各方数据实现整合利用，通过媒体价值洞察、人群行为洞察和完备的归因模型，输出策略建议，支持决策。

一站式智能媒介管理平台AlphaDesk
基于机器学习算法、模式识别、点击预测、转化预测模型等AI核心技术，管理PDB、PD、RTB等流量采买形式，对每一次广告的曝光进行决策。智能投 放管理系统还可以对品牌自有DMP进行数据反哺，形成营销闭环，全面提升广告投放效果。
智能内容管理平台CMP
基于NLP技术进行素材管理、创意生成与创意洞察，对广告素材内容进行判断，选择出对当前广告受众群体最有吸引力的广告元素，从而提高推荐内容的点击率。

全链路AI营销决策平台MIP
MIP通过智能引擎(DMP+CMP)整合、挖掘与洞察用户行为数据，输出智能化营销策略，经由智能流量管理系统（Ad-serving）进行程序化投放执行，最后再收集影响后行为的数据反哺智能引擎，不断进行机器学习升级指导决策，构成智能营销闭环，通过不断的持续反馈，优化企业营销决策流程，帮助CEO、CMO更系统、更科学地进行企业的智能化商业决策。
（也有可能不是这家公司，看业务不直接和交易相关）

2 Exegy
Exegy已经在香港设立首个数据接入点，以实现规范和分发市场数据的功能。该服务将主机托管在香港交易及清算所（HKEx）数据中心，并可以从现金证券及衍生品市场中的直接提取数据。

Exegy在欧洲和美国创建了一个共享环境从而代替股票报价系统，由于无需硬件投资，客户只需要连接到共享环境中，不需要花费其他成本。它们只需交叉连接，就可以在最短的时间内连接到市场数据，同样的模式也将在香港得到应用。

在新服务推出之前，Exegy一直在亚洲发展自己的股票报价系统业务，在客户的办公场所安装股票报价系统，并根据客户的要求提供数据。该公司的销售经理表示，Exegy的亚洲客户在大型买卖方公司之间是平衡的。

3 HyperTech

合泰集团：整合旗下5家上市企业、300多家投资企业的相关资源成立的HyperTech集团。

环球区块链集团：区块链跨国集团Blockchain Global布局全球，连接政府合作，完成了80余项区块链技术初创公司的孵化和投资，投资总值超过3亿美金。

Hcash基金会：提供世界顶尖技术支持，开创了独特的底层双链技术，兼容ECDSA系统，打破技术局限，成功研发抗量子签名方案。

DIGITAL X：提供业内领先的营销方案和上市工作，拥有Icity城市互联网广告网络、DIGITALKS图说新语、BUTTERFLY移动营销平台三大产品，覆盖从PC端到移动端的营销需求。

4 FPGA 开发框架 (nxFramework)解决方案

这个几乎没有中文资料，后续待查

5 FINN

FINN：是Xilinx研究实验室的一个实验框架，用于探索FPGA的深层神经网络推理。它专门针对量化的神经网络，重点是为每个网络生成定制的数据流风格的体系结构。它不打算像Vitis AI那样成为一个通用的DNN加速器产品，而是一个探索FPGA上DNN推理加速器设计空间的工具。

快速开始：
我想在我的FPGA板上试用已建的QNN加速器：请看finn示例，试用一些用finn编译器构建的FPGA加速器。我们在BNN-PYNQ和LSTM-PYNQ repos中有更多的示例，尽管它们不是用FINN编译器构建的。
我想为FINN训练新的量化网络：看看Brevitas，我们的Pytorch库的量化意识培训。
我想了解量子化推理所涉及的计算：看看这些关于QNN推理的Jupyter笔记本。这个repo包含简单的numpython层实现和一些预先训练好的qnn，用于指导目的。
我想知道这一切是如何结合在一起的：看看我们的publications，特别是17年在FPGA上的FINN论文和ACM TRETS上的FINN-R论文。